Gemini 4 Argon发布：谷歌重返前沿，但故事没那么简单

进入2026年，谷歌在AI竞赛中的处境曾一度令人乐观。DeepMind内部的诸多问题得到解决，Gemini系列模型保持竞争力，加上谷歌在消费端分发、数据等方面的天然优势，不少人看好它成为头部竞争者。但随后「vibe coding」浪潮兴起，编程能力的跃升叠加Claude Code、Codex等新型harness的威力，让智能体（agent）能力以前所未有的方式释放。谷歌突然发现自己落在了后面。

客气点说，谷歌在2026年的大部分时间里一直在追赶；不客气地说，它基本被排除在了「顶级模型实验室」的讨论之外。本周，谷歌发布了六个多月来的首个前沿模型——Gemini 4 Argon。从跑分看，谷歌似乎「王者归来」。但这真是全部真相吗？

Gemini 4 Argon：跑分亮眼，访问受限

谷歌的2026年困境已被充分记录。我们从未见到Gemini 3.5 Pro——公司认为它不够好，干脆放弃发布。而本周亮相的Gemini 4 Argon，确实在多项基准上拿下了最新的state-of-the-art。

在智能体知识工作方面，Gemini 4在VALS指数上拿到68.9%，击败Fable 5.1、GPT-6 Astra，并超过当前领先者Opus 5.5几个百分点。在AutomationBench和VALS FinanceAgent上的领先幅度更大。Harvey的LegalAgent基准上，Gemini 4以19.6%的成绩，是当前领先者Fable 5.1的三倍多。

智能体编程的表现则参差不齐。在DeepSui上它以77.9%刷新纪录（Opus 5.5为74.2%），但在FrontierSui上仅55%，落后当前领先者Astra 6达10分；在TerminalBench 4.0上以57.4%垫底，落后Opus 5.5约9分。

这里可以有两种解读：编程是最重要的用例之一，没能拿到最高分确实是问题；但换个角度，这对谷歌而言是巨大进步——编程曾是Gemini过去一年最大的短板，如今能与前沿模型同台，已属不易。

VALS指数（Verified Agent Leaderboard Score）是由第三方评测机构设计的、专门衡量AI模型在真实知识工作场景下完成智能体任务能力的综合基准，涵盖法律、金融、研究等垂直领域的多步骤自主任务完成率。与传统的问答或代码生成基准不同，VALS要求模型在较长时间窗口内连续调用工具、处理中间结果并做出决策，更接近现实中"AI员工"的使用场景，因此被业界视为衡量智能体实际落地能力的重要参考。DeepSui和FrontierSui则是针对软件工程自动化的专项基准，前者聚焦于有明确解的代码调试与功能实现，后者侧重开放性工程问题，要求模型在真实代码库中进行多文件修改与架构决策，难度更高、评分标准更严苛，这也解释了为何Gemini 4在两项上的表现出现明显落差。

价格与效率：舒适区外的尴尬

Artificial Analysis证实谷歌重返一线。Gemini 4 Argon在Intelligence Index上得分53，与GPT-6 Astra、Fable 5.1并列第三，落后Sonnet 5.5和Opus 5.5分别3分和5分。

成本上，它在AA基准运行中每任务花费1.99美元，低于Astra的3.26美元和Fable 5.1的7.63美元。但这是谷歌「50%发布折扣」下的价格，折扣期限未公布，全价会让它比Astra更贵。它也处在一个尴尬的中间地带：即便打折，仍比GPT-6 1 Sol贵一倍以上，而基准上又没有明显优势。

更关键的是，谷歌目前并不向公众开放Gemini 4 Argon。官方理由与网络安全有关——该模型在CWE Bench上得分68%，与Grok 4.7、GPT-6 Astra持平。谷歌据此将访问权限限制在所谓「可信网络防御者」范围内，并表示正参与美国政府的自愿测试与预发布访问项目，计划逐步扩大访问，先从API和Google Ultra订阅者开始。

「谷歌回来了」还是又一次跑分幻觉？

发布而不开放，这一选择颇耐人寻味。对老观众来说，这颇有2023年12月谷歌首次落后时急于发布Gemini、而Pro版本数月后才可用的既视感。

不过，社交媒体上确实掀起了一波「Google so back」的热潮。Dr. Daria Anutmaz写道：「谷歌DeepMind带着Gemini 4 Argon回来了，跑分惊人，一举跃至AI前沿顶端。」但他也补了关键一句：「尽快试用Gemini 4。」Ethan Mollick称「又是三方竞赛了」。一向远离炒作的开源模型研究者Nathan Lambert也表示：「更多实验室处于前沿，对消费者（竞争）和世界（权力分散）都是好事。」

反方声音同样尖锐。有用户直言「我们根本用不了这个模型，而且谷歌的跑分一直不可靠，别忘了Gemini 3 Pro的教训」。Ishu Agrawal补充，Gemini 3.1 Pro发布时官方基准号称「全面碾压Opus 4.6」，结果现实并非如此。

谷歌产品负责人Logan Kilpatrick罕见地正面回应：「我们在大规模测试模型方面已经好多了，大多数新Gemini版本在发布前会经过数千名软件工程师数周的测试，希望这能真正缩小跑分与现实的差距。」但彭博社一篇报道《谷歌应对员工对Gemini 4的质疑》指出，模型在员工实际使用中表现不如跑分，尤其在某些编程任务上吃力。谷歌否认了这一说法。

竞争的本质已经改变

谷歌真正的难题在于：它缺席榜首的这段时间里，竞赛的本质已经变了。正如Peter Yang所言，光是模型好已经不够，还需要有竞争力的编程harness（如Antigravity）和个人智能体（如Spark）。

同时，Anthropic推出了Sonnet 5.5。考虑到Opus 5和Sonnet 5此前口碑不佳（后者更贵且极度耗token），人们本有理由质疑。但在Opus 5.5「回归巅峰」之后，Sonnet 5.5似乎延续了这一势头。

Anthropic称Sonnet 5.5比Sonnet 5快30%、便宜30%。在TerminalBench 4.0上它拿到70.6%（Sonnet 5仅10.3%），甚至超过Opus 5.5的66.4%。Artificial Analysis给它56分，排名第二，领先Fable 5.1和GPT-6 Astra。

不过成本争议犹存。AA测试发现Sonnet 5.5每任务花费7.60美元，比Opus 5.5贵27%，是GPT-6 Astra的两倍多，token消耗远高于Sonnet 5。开发者Kun Chen的实践结论是：Sonnet适合执行、Opus适合规划有歧义的产品难题，二者并非简单的「便宜版替代」。YouTuber Theo的评价更尖锐——「Sonnet 5.5是个了不起的模型，但你大概不该用它」，因为它在max推理下容易过度思考，而低设置下又没有比Opus更划算的点。

Harness在AI智能体语境中指的是围绕基础模型构建的"脚手架"系统，包括工具调用框架、上下文管理、多步推理编排、错误恢复机制等。Claude Code和Codex本质上都是harness：它们并不只是调用模型生成代码，而是将模型嵌入一个能读写文件、执行终端命令、迭代调试、理解项目结构的完整工作流中。一个强大的harness可以显著放大模型的实际产出——同一个基础模型，配上优秀harness后完成复杂工程任务的成功率可能是裸调用API的数倍。这正是"竞赛本质已经改变"的核心含义：模型能力分差在缩小，harness设计能力和工程集成深度正成为新的差异化战场。谷歌的Antigravity和个人智能体Spark，即是其在这一维度上的补课尝试。

产品体验 vs 模型智能：悬而未决的命题

另一条值得关注的线索是：优秀的用户体验配上非顶级模型，能否打败体验一般但模型顶级的产品？Muse给出了有趣的样本——上线三周多就达到300万周活、100万日活，增长速度甚至快于Codex（约三个月才到300万周活）。

但Eureka联合创始人Sina在用了一段时间后发现「底层模型不够聪明，最近经常出错」，并坦言「作为消费者我不忠于任何产品，谁最好用我就用谁，智能依然是护城河」。而OpenAI的dots发布后，也有用户抱怨其摩擦感太强——「它想帮你在ChatGPT和Codex里管理工作，却没有足够的工具和数据访问权限」。

DoorDash本周也宣布其AI智能体可通过短信接单，复制了Muse式的个人智能体体验。结合亚马逊封杀Muse智能体的决定，一个大问题浮现：最佳智能体策略究竟是与品类领导者合作，还是自建平台专属智能体？DoorDash的逻辑清晰——智能体订单的购物篮价值高出50%，自建能掌握用户画像；但风险是外部智能体可能绕过它直接向餐厅下单。目前它两头下注。

回到Gemini 4 Argon，正如Nathan Lambert所说，谷歌表现好对消费者和竞争都是好事。但在我们能真正上手之前，一切评判都只能靠自报的跑分和向彭博社抱怨的员工——这顿饭，还只是桌边的残羹。

背景补充

**Gemini 3 Pro的「教训」**是理解本次社区怀疑情绪的重要背景。2025年初，谷歌发布Gemini 3.1 Pro时，官方基准显示其在推理、代码等多项指标上全面领先Anthropic的Opus 4.6，一度引发"谷歌重返王座"的舆论浪潮。但随后数周内，大量开发者的实测反馈与基准数据产生了显著背离：模型在实际编程任务中频繁出现逻辑跳跃和幻觉，多轮对话的一致性也不尽如人意。这一事件深刻损伤了谷歌在开发者社区中的公信力，并催生了一种固定认知模式——对谷歌模型的官方跑分保持系统性折扣。Logan Kilpatrick所提到的"数千名软件工程师数周测试"，正是针对这一历史污点的直接回应。